The complete understanding of 3D scenes is crucial in robotic visual perception, impacting tasks such as motion planning and map localization. However, due to the limited field of view and scene occlusion constraints of sensors, inferring complete scene geometry and semantic information from restricted observations is challenging. In this work, we propose a novel Multimodal Representation Fusion Transformer framework (MRFTrans) that robustly fuses semantic, geometric occupancy, and depth representations for monocular-image-based scene completion. MRFTrans centers on an affinity representation fusion transformer, integrating geometric occupancy and semantic relationships within a transformer architecture. This integration enables the modeling of long-range dependencies within scenes for inferring missing information. Additionally, we present a depth representation fusion method, efficiently extracting reliable depth knowledge from biased monocular estimates. Extensive experiments demonstrate MRFTrans's superiority, setting a new benchmark on SemanticKITTI and NYUv2 datasets. It significantly enhances completeness and accuracy, particularly in large structures, movable objects, and scene components with major occlusions. The results underscore the benefits of the affinity-aware transformer and robust depth fusion in monocular-image-based completion.

Three-dimensional charge-trapping (CT) NAND flash memory has attracted extensive attention owing to its unique merits, including huge storage capacities, large memory densities, and low bit cost. The reliability property is becoming an important factor for NAND flash memory with multi-level-cell (MLC) modes like triple-level-cell (TLC) or quad-level-cell (QLC), which is seriously affected by the intervals between program (P) and erase (E) operations during P/E cycles. In this work, the impacts of the intervals between P&E cycling under different temperatures and P/E cycles were systematically characterized. The results are further analyzed in terms of program disturb (PD), read disturb (RD), and data retention (DR). It was found that fail bit counts (FBCs) during the high temperature (HT) PD process are much smaller than those of the room temperature (RT) PD process. Moreover, upshift error and downshift error dominate the HT PD and RT PD processes, respectively. To improve the memory reliability of 3D CT TLC NAND, different intervals between P&E operations should be adopted considering the operating temperatures. These results could provide potential insights to optimize the lifetime of NAND flash-based memory systems.

Bipolar Disorder (BP) is a mental disorder that affects 1-2% of the population. Early diagnosis and targeted treatment can benefit from associated biological markers. The existing methods typically utilize biomarkers, region of interests (ROIs) from anatomical MRI or functional BOLD imaging, but lack the ability of revealing the relationship between integrated modalities and disease. In this paper, we developed an Edge-weighted Graph Attention Network (EGAT) with Dense Hierarchical Pooling (DHP), to better understand the underlying roots of the disorder from the view of structure-function integration. For the input, the underlying graphs are constructed from functional connectivity matrices and the nodal features consist of both the anatomical features and the statistics of the connectivity. We investigated the potential benefits of using EGAT to classify BP vs. Healthy Control (HC). Compared with traditional machine learning classifiers, our proposed EGAT embedding increased improved 10-20% in the accuracy and F1-score, compared with alternative classifiers. More specifically, by examining the attention map and gradient sensitivity of nodal features, we indicated that associated with the abnormality of anatomical geometric properties, multiple interactive patterns among Default Mode, Fronto-parietal and Cingulo-opercular networks contribute to identifying BP.

Since the traditional method may cause the loss of linguistic information, in this paper, we chose the probabilistic linguistic term set (PLTS) to describe the evaluation index for the decision problem, then we propose an improved VIKOR method to select the best hotel. However, the traditional VIKOR method has lost original information and experts' preference information, so the PLTS-VIKOR method is proposed for tourists. In addition, the weaknesses and strengths of traditional weighting methods are analyzed; the BWM and the CRITIC method for PLTS are developed to determine the subject and object weights. Then, a comprehensive combined weighting method based on the minimum total deviation principle is proposed. Further, we integrate the PLTS with all weighting methods. Finally, a case example of 5 online hotels is performed to illustrate the application of the improved approach, and the superiority and effectiveness are proved by comparative analysis.